vi har skabt kunstig intelligens som en måde at forstærke menneskelig intelligens og fremme vækst som aldrig før. AI kan hjælpe os med at løse adskillige problemer med forskellige kompleksiteter.
en sådan type problem er tilfældet, hvor man skal forudsige resultater ved hjælp af den givne videnpulje. Her gives vidensbasen, og ved hjælp af logiske regler og ræsonnement må man forudsige resultatet.
disse problemer løses normalt ved hjælp af Inferensmotorer, der bruger deres to specielle tilstande: Bagudkæde og Fremadkæde.
når vi skrider frem, lad os se nærmere på begge de kædeprocesser, der anvendes i kunstig intelligens.
Hvad er en inferens Motor?
en Inferensmotor er et værktøj til kunstig intelligens, der bruges som en komponent i systemet til at udlede ny information fra en vidensbase ved hjælp af logiske regler og ræsonnement. De første Inferensmotorer nogensinde var en del af ekspertsystemer i AI. Som tidligere nævnt forudsiger Inferensmotorer resultater med den allerede eksisterende datapulje, analyserer den grundigt og bruger logisk ræsonnement til at forudsige resultaterne.
Lær om AI-algoritmer som en* søgealgoritme.
denne samme proces ville blive gentaget, da nye fakta ville blive opdaget, og dette ville få inferensmotoren til at udløse yderligere regler for dens fund. Efter nogle kørsler af inferensmotoren blev det bemærket, at Inferensmotorer fungerer på en af de to måder, enten baseret på mål eller baseret på fakta, som senere blev kendt som videresendelse af kæde og bagudkæde.
Fremadkædning kommer med kendte fakta og gentager processen for at finde nye fakta, mens bagudkædning starter med mål og arbejder baglæns for at bestemme, hvilke betingelser der kræves for at nå de givne mål.
eksempler vedrørende inferens regler
lad os se på nogle enkle eksempler for at hjælpe dig med at skelne mellem begge sæt inferens regler.
inferens regler
- deduktiv inferens regel:
fremad kæde: konkludere fra “A” og “A indebærer B”til ” B”.
A
A- > B
B
eksempel:
det regner.
hvis det regner, er gaden våd.
gaden er våd.
- Bortførelsesregel:
baglæns kæde: konkludere fra “B” og “A indebærer B”til ” a”.
B
A- > B
A
eksempel:
gaden er våd.
hvis det regner, er gaden våd.
det regner.
Fremkædning
Fremkædning er en af de to vigtigste metoder til inferensmotor, der bruger den logiske proces med at udlede ukendte sandheder til at finde en løsning fra det kendte datasæt ved hjælp af bestemte betingelser og regler.
du kan sige, at generelt komplekse opgaver kan reduceres til flere enklere opgaver, der udføres enten samtidigt eller sekventielt, ligesom en kæde eller kæde er en effektiv metode til at undervise i komplekse færdigheder og processer ved hjælp af flere trin.
som en datadrevet såvel som bottom-up logisk tilgang starter fremadkædning fra kendte fakta og betingelser og skrider derefter frem mod logisk konklusion ved hjælp af if-then-udsagn. Derefter anvendes disse betingelser og regler på problemet, indtil der ikke er yderligere gældende situationer tilbage, eller grænsen er nået. Fremadkæde søger efter løsninger og kan komme med et uendeligt antal mulige konklusioner.
Lær om ekspertsystemer i AI
Fremadkædning i AI
den fremadrettede tilgang bruges i AI til at hjælpe en AI-agent med at løse logiske problemer ved at inspicere dataene fra de tidligere erfaringer og derefter komme til en konklusion fuld af løsninger. Det er ikke alt, Fremadkædning kan lige så godt bruges til at udforske de tilgængelige oplysninger eller besvare et spørgsmål eller løse et problem. Fremadkædning bruges i vid udstrækning til at nedbryde en lang og kompleks logisk tilgang ved at vedhæfte hvert trin, når det foregående er afsluttet. På denne måde går det fra start til Slut med relativ lethed.
trin til arbejde med videresendelse af Kæde
- Trin 1: Vi starter fra de allerede angivne fakta, og derefter vælger vi efterfølgende de fakta, der slet ikke har nogen konsekvenser.
- Trin 2: Nu vil vi angive de fakta, der kan udledes af tilgængelige fakta med tilfredse lokaler.
- Trin 3: i trin 3 kan vi kontrollere den givne erklæring, der skal kontrolleres, og kontrollere, om den er tilfreds med substitutionen, der udleder alle de tidligere angivne fakta. Således når vi vores mål.
lad os tage et eksempel for at gøre det mere forståeligt for dig.
“ifølge loven er det en forbrydelse for en amerikaner at sælge våben til fjendtlige nationer. Land A, en fjende af Amerika, har nogle missiler, og alle missiler blev solgt til det af Robert, som er en amerikansk statsborger.”
Bevis at ” Robert er en kriminel.”
Trin 1: Her er alle de angivne fakta angivet, som slet ikke har nogen konsekvenser.
Trin 2: Vi vælger de fakta, der kan udledes af tilgængelige fakta med tilfredse lokaler.
Trin 3: i trin 3 kan vi kontrollere den givne erklæring, der skal kontrolleres, og kontrollere, om den er tilfreds med substitutionen, der udleder alle de tidligere angivne fakta. Således når vi vores mål.
derfor kan det bevises, at Robert var den kriminelle.
Bagudkædning
Bagudkædning er en logisk proces til bestemmelse af ukendte fakta fra kendte løsninger ved at bevæge sig baglæns fra kendte løsninger for at bestemme de oprindelige betingelser og regler.
dette betyder, at baglæns kæde er en top-ned ræsonnement tilgang, der starter fra konklusioner og derefter går tilbage mod de betingelser, det blev udledt fra at bruge dybde-første tilgang. Kort sagt betyder det, at Bagudkædning sporer tilbage gennem koden og anvender logik for at bestemme, hvilken af følgende handlinger der ville have forårsaget resultatet.
Bagudkædning i AI
Bagudkædningsmetoden bruges i AI til at finde de betingelser og regler, på grund af hvilke et bestemt logisk resultat eller konklusion blev nået. Virkelige anvendelser af Bagudkædning inkluderer brug til at finde information om konklusioner og løsninger inden for reverse engineering-praksis samt spilteori-applikationer.
nogle andre anvendelser af Bagudkædning inkluderer automatiserede teorembevisningsværktøjer, inferensmotorer, bevisassistenter og andre applikationer til kunstig intelligens.
arbejdstrin for Bagudkædning
- Trin 1. I det første skridt tager vi Målfakta og fra målfakta vil vi udlede andre fakta, som vi vil vise sig sande.
- Trin 2: Vi vil udlede andre fakta fra målfakta, der opfylder reglerne
- Trin 3: ved trin-3 vil vi udtrække yderligere fakta, der udledes af fakta udledt i trin 2.
- Trin 4: vi gentager det samme, indtil vi kommer til en bestemt kendsgerning, der opfylder betingelserne.
lad os tage det samme eksempel som taget i Fremadkædning for at bevise denne gang, at Robert er den kriminelle.
Trin 1:
i det første trin tager vi Målfakta og fra målfakta udleder vi andre fakta, som vi vil vise os sande.
Trin 2:
i andet trin udleder vi andre fakta fra målfakta, der opfylder reglerne
Trin 3: I trin-3 vil vi udtrække yderligere fakta, der udledes af fakta, der er udledt i trin 2.
Trin 4: vi gentager det samme, indtil vi kommer til en bestemt kendsgerning, der opfylder betingelserne.
Trin 5:
når alle fakta og betingelser er afledt, stopper iterationsprocessen.
forskel mellem Fremadkæde og Bagudkæde
S-nr | Fremadkædning | Bagudkædning |
det starter fra kendte fakta uddrag mere dataenhed det når til målet ved hjælp af inferens regel | det starter fra målet og arbejder baglæns gennem inferens regler for at finde de nødvendige fakta, der understøtter målet. | |
Bottom – up tilgang | oppefra og ned tilgang | |
kendt som datadrevet tilgang, da vi bruger givne data til at nå målene | kendt som måldrevet tilgang, fordi vi bruger det givne mål til at nå de fakta, der understøtter målene | |
4 | anvender en bredde-første søgestrategi | anvender en dybde-første søgestrategi |
5 | test for alle tilgængelige regler | kun test for visse givne og udvalgte regler |
6 | Velegnet til planlægning, overvågning, kontrol og fortolkning ansøgning. | egnet til diagnosticering, recept og debugging ansøgning. |
kan generere uendeligt antal mulige konklusioner | kan generere et endeligt antal mulige afsluttende fakta og betingelser | |
arbejder i fremadgående retning | arbejder i baglæns retning | |
9 | fremadrettet kæde er rettet mod enhver konklusion. | Bagudkædning er kun rettet mod de krævede data. |
nu hvor du kender Interfacemotorernes funktion og de nøjagtige roller for frem og tilbage kæde, kan du forkæle dig selv med en vis problemløsning og få et bedre greb om AI ‘ s “abouts og roller”!
Great Learning ‘ s eksklusive kurser om kunstig intelligens og maskinindlæring kan helt sikkert hjælpe dig med at gøre det.